[发明专利]一种蒲黄炭炮制品的近红外在线质量检测方法

权利要求书

1.一种蒲黄炭炮制品的近红外在线质量检测方法，其特征在于，包括以下步骤：

(1)样品制备：根据中国药典炒炭要求，控制火候，炒制不同炒炭程度的蒲黄炭样品，制得蒲黄标准炭样品、蒲黄炒炭不及样品和蒲黄炒过炭样品；

(2)近红外光谱数据采集：采集步骤(1)三种蒲黄炭样品的近红外光谱数据；

(3)对光谱数据进行预处理：分别采用原始光谱，矢量归一化，一阶差分以及Min_Max标准化四种方法对三种蒲黄炭样品的近红外光谱数据进行预处理；

(4)采用卷积神经网络与投票机制建立蒲黄炭炮制品鉴别模型，具体步骤为：

A：使用卷积神经网络进行模型训练：将经四种预处理方法处理后的数据集分别记为：S_tr1，S_tr2，S_tr3与S_tr4，分别输入至CNN深度学习网络进行CNN模型训练与预测，以对不同预处理方法的性能进行评判；

网络模型包括一层一维卷积池化层、一层二维卷积池化层和一层全连接层；一维卷积池化层将输入的一维向量转化成二维矩阵；一维卷积池化层包括一维卷积操作、激活操作与池化操作，其中一维卷积操作卷积核的数目为32个，大小为10*1，卷积的步长为6；并由ReLU完成激活操作，使神经网络中的神经元具有稀疏激活性；池化操作使用平均池化模型，每次取10*1的池化窗口，步长设为2；之后，将经过一维卷积池化层得到的二维矩阵输入至二维卷积池化层，并经过二维卷积操作、激活操作与二维池化操作，将其转化成多个二维矩阵；二维卷积操作中卷积核数目为64个，大小为10*32；将二维卷积池化层得到的二维矩阵输入至全连接层，输出一维高阶向量；

所述的卷积神经网络模型采用学习率衰减机制，学习率初始值设为0.003，衰减指数为在网络训练的过程中随时间逐步衰减学习率进行动态调整，每层权重初始值服从标准差为0.1的零均值高斯分布；

B：对经不同预处理的样本进行权重分配：对四种不同预处理方法进行权重分配，将准确率最高的两种预处理方法的权重值分配为0.5；准确率第三高的预处理方法的权重值分配为0.4；准确率最低的预处理方法的权重值分配为0.3；

C：采用投票机制对预测样本进行投票：记预测结果；若第i个预处理方法的预测结果为y_{te_i}＝[y_{te_i1},y_{te_i2},y_{te_i3}]；若预测结果为炒炭不及样品，则y_{te_i}＝[0,0,1]；若预测结果为蒲黄标准炭样品，则y_{te_i}＝[0,1,0]；若预测结果为蒲黄炒过炭样品，则y_{te_i}＝[1,0,0]；计算在三种不同炭化程度上所得的投票分值，记为炒炭不及为v₁，标准炭化为v₂，炒过炭为v₃；投票分值的计算方法如式(1)所示，其中i表示第i种预处理方法，j表示第j种炭化程度；

最后，对三种蒲黄炭化程度的值进行比较，得到的最终预测结果；若v₁最大，则预测为炒炭不及样品；若v₂最大，则为标准炭样品；若v₃最大，则为炒过炭样品。

2.根据权利要求1所述的蒲黄炭炮制品的近红外在线质量检测方法，其特征在于，步骤(2)中近红外光谱采集的方法为采用傅里叶变换近红外光谱仪，以积分球漫反射方式采集光谱；扫描次数为32次，分辨率为8cm^-1，光谱范围12000-4000cm^-1，在22-27℃，60％湿度的环境下检测，每份样品重复测定三次，取平均光谱为样品光谱。

3.根据权利要求1所述的蒲黄炭炮制品的近红外在线质量检测方法，其特征在于，步骤(1)所采集的各批次样品量约5g，以空气为背景，以积分球漫反射法模式采集近红外光谱。

4.根据权利要求1所述的蒲黄炭炮制品的近红外在线质量检测方法，其特征在于，步骤(1)中，所述标准蒲黄炭样品为符合中国药典规定的蒲黄炭标准炭样品。